연구진이 디퓨전 모델의 반복 샘플링 과정에서 발생하는 오류 축적, 즉 노출 편향 문제를 분석했어요. 훈련과 추론 과정에서 발생하는 주파수 의존적인 불일치를 발견하고, 이를 주파수 의존적인 SNR 오류로 해석했어요. 스펙트럴 얼라인먼트(SPA)라는 새로운 방법을 제안하여 중간 예측의 파워 스펙트럼을 사전 값에 맞춰 조정했어요.
SPA는 오프라인에서 파라메트릭 스펙트럼 모델을 피팅하고, 추론 시 FFT 기반으로 효율적인 그래디언트 계산을 통해 가이던스를 제공하는 2단계로 구성돼요. 계산 오버헤드는 3~4%로 미미하며, 기존 CFG와 함께 사용 가능해요.
DDPM, ADM, SD2.0, SDXL, SD3.5, FLUX 등 다양한 모델에서 성능 향상을 입증했으며, GitHub에서 구현체를 확인할 수 있어요.